Approche de traitement des logs pour la prédiction d'erreurs critiques

Anticiper la maintenance des équipements mécaniques complexes est devenue une ambition majeure de l’Industrie 4.0. La plupart des contributions scientifiques liées à la maintenance prédictive se base sur les données issues des moyens de surveillance sophistiqués mis à disposition. Parallèlement, les solutions basées sur des données de type Log Event sont encore faiblement explorées. Dans ce papier, nous proposons une approche par classification permettant de prédire l’arrivée des erreurs hautement critiques, basée sur les données log émises par les machines-outils. La méthodologie proposée reprend le concept de sacs, issu du paradigme Multiple Instance Learning pour étiqueter facilement l’information. Trois paramètres principaux sont également définis pour construire l’ensemble d’entraînement. Ils permettent d’ajuster finement la balance entre le délais d’anticipation, la pertinence de l’historique et la précision de l’anticipation.L’efficacité de l’approche est démontrée au travers d’un cas d’usage industriel où les erreurs critiques peuvent être prédites une semaine en avance.With the advent of Industry 4.0, failure anticipation is becoming one of the key objectives in industrial research. In this context, predictive maintenance is an active research area for various applications. This paper presents an approach to predict high importance errors using log data emitted by machine tools. It uses the concept of bag to summarize events provided by remote machines, available within log files. The idea of bag is inspired by the Multiple Instance Learning paradigm. However, our proposal follows a different strategy to label bags.Three main setting parameters are defined to build the training set allowing the model to fine-tune the trade-off between early warning, historic informativeness and forecast accuracy. The effectiveness of the approach is demonstrated using a real industrial application where critical errors can be predicted e.g., seven days before their occurence with high accuracy